《RFM模型区隔消费者购买行为的区别能力研究保险销售资料实例验证.ppt》由会员分享，可在线阅读，更多相关《RFM模型区隔消费者购买行为的区别能力研究保险销售资料实例验证.ppt（28页珍藏版）》请在三一办公上搜索。
1、1,RFM模型區隔消費者購買行為的區別能力研究-保險銷售資料實例驗證,黃元直德明商業技術學院 講師huangtakming.edu.tw,2,簡報流程,1.緒論2.文獻探討3.RFM模型區別能力研究架構 4.資料分類與資料分析流程5.實證結果6.結論與未來研究方向,3,緒論-研究背景與動機,希望透過本研究提出一種動靜態資料的分類方式,並透過保險銷售資料及區別分析逐步回歸法加以實證,驗證動態資料作為自變數時,其區別能力是否高於靜態資料。,4,緒論-研究目的,由顧客過去的購買行為，利用RFM模型推導與計算，求算出個別顧客未來的可能需求並驗證其區別能力,此為研究目的一。以靜態資料、動態資料有效區分其
2、市場區隔，並且指出各顧客屬於某個區隔,此為研究目的二。,5,文獻探討-關係行銷,顧客關係管理可區分為三個部份,其一為資料庫行銷,其二為一對一關係行銷,其三為事件行銷。關係行銷則強調有效行銷關係之建立。,6,文獻探討-RFM模型,1.Arthur Hughes顧客五等分法2.Bob stone RFM3.Shaw et al.RFM,7,RFM模型-Arthur Hughes顧客五等分法,最近購買日(Recently):最接近現今日期的前20%編為5、20%40%編為4、40%60%編為3、60%80%編為2、80%100%編為1。購買頻率(Frequency):一定期間內顧客購買的次數，次數最
3、多的前20%編為5,餘依此類推。購買金額(Monetary Amount):通常以平均購買金額來取代。金額最多的前20%編為5,餘依此類推。,8,RFM模型-Bob stone RFM,Bob Stone給分架構表,9,RFM模型-Shaw et al.RFM,最近購買日從近到遠排列，前百分之二十歸為第一類，依次分為五類購買頻率從大到小排列，前百分之五十歸為第一類，共分成兩類購買金額同於頻率的分法，分成兩類如此，每一顧客的RFM分數組合，由最不具價值的顧客(111)3分到最具價值的顧客(522)9分,10,文獻探討-區別能力,判定區別能力包含以下兩項:1.區別正確率:即根據區別函數所得到的區別
4、分數;代表依逐步迴歸分析法進入區別函數的自變數對依變數的預測能力。2.自變數的重要性及影響力:進入區別函數的自變數比例判定其重要性;而依進入區別函數自變數的係數絕對質判定其影響力。,11,RFM模型區別能力研究架構,12,資料分類與資料分析流程,市場區隔變數的分類表,13,資料分類與資料分析流程,本研究依變數主附險種類分類表,Y1:表示主險購買保障險或生死合險 Y2:表示購買附險生死合險或未買 Y3:表示購買附險健康險或未買 Y4:表示購買附險壽險附約或未買,14,資料分類與資料分析流程,自變數(:區別分析逐步回歸法)依變數(1)X1.X2.X3X7.X8(靜態資料)Y1(2)AR.AF.AM
5、(動態資料-ARFM模型)Y2(3)BR.BF.BM(動態資料-BRFM模型)Y3(4)SR.SF.SM(動態資料-SRFM模型)Y4(5)ARFM.BRFM.SRFM(總分/總價值)檢視(1)至(5)組自變數對Y1至Y4分別的區別正確率 區別正確率分析流程圖,15,資料分類與資料分析流程,自變數(:區別分析逐步回歸法)依變數(1)X1.X2.X3X8&AR.AF.AM Y1(2)X1.X2.X3X8&BR.BF.BM Y2(3)X1.X2.X3X8&SR.SF.SM Y3(4)X1.X2X8&ARFM.BRFM.SRFM Y4檢視(1)至(4)組自變數對Y1至Y4分別的自變數重要性及影響力
6、自變數重要性及影響力的分析流程圖,16,實證結果,區別正確率實證結果 Y1 Y2 Y3 Y4(1)X1.X2.X3X7.X8(靜態資料)67.0%(註)58.2%63.6%(2)AR.AF.AM(動態資料-ARFM模型)68.6%70.3%64.6%62.5%(3)BR.BF.BM(動態資料-BRFM模型)69.9%67.5%65.0%61.9%(4)SR.SF.SM(動態資料-SRFM模型)63.2%68.0%59.0%63.9%(5)ARFM.BRFM.SRFM(總分/總價值)66.2%69.4%64.3%61.0%註:在逐步迴歸分析法中,無法形成區別函數,故沒有區別正確率。,17,實證結
7、果,自變數重要性及影響力實證結果之一.X1X8 VS ARFM模型,註1:分析中變數的係數採標準化的典型區別函數係數。註2:代表8個靜態變數有3個入選區別函數,入選率37.5%。,18,實證結果,自變數重要性及影響力實證結果之二,X1X8 VS BRFM模型,19,實證結果,自變數重要性及影響力實證結果之三,X1X8 VS SRFM模型,20,實證結果,自變數重要性及影響力實證結果之四,X1X8 VS ARFM.BRFM.SRFM,21,實證結果-其他,各模型區別正確率變化情形彙整表,22,結論與未來研究方向,區別正確率結論 經由區別分析正確分類比例(區別正確率)的預測判別,得知顧客購買行為紀
8、錄的動態資料較顧客基本資料的靜態資料更能明顯區別顧客購買主附險種類的消費行為,即動態資料自變數判別消費者選購行為的預測力高於靜態資料自變數。依區別正確率實證結果,可得到以下結論,以印證上述論點。(2)(3)(5)(4)(1)即 66.5%66.1%65.2%63.5%62.9%【:表示區別正確率優於,以平均區別正確率判定】,23,結論與未來研究方向,自變數重要性結論 本研究係以自變數入選區別函數的比率(入選率),定義自變數重要性,由實證結果得知,動態資料自變數的重要性高於靜態資料自變數。依自變數重要性及影響力實證結果,可得到以下結論,以印證上述論點。(4)=(2)(3)(5)(1)即 75.0
9、%=75.0%58.3%50.0%21.9%【:表示自變數重要性優於,以平均入選率判定】,24,結論與未來研究方向,自變數影響力結論 本研究係以自變數入選區別函數的係數絕對值大小,定義自變數影響力,由實證結果得知,動態資料自變數的影響力高於靜態資料自變數。依自變數重要性及影響力實證結果,可得到以下結論,以印證上述論點。(5)(3)(2)(4)(1)即 0.6450.6200.6190.5880.418【:表示自變數影響力優於,以入選變數係數絕對值之平均係數判定】,25,結論與未來研究方向,區別能力結論,綜合評價表,A:特優 B:優 C:尚可 D:差 E:很差,26,結論與未來研究方向,其中:區
10、別正確率 自變數重要性 自變數影響力評價(平均區別正確率%)(平均入選率%)(平均係數)A 65以上 70以上 0.6以上 B 60-65(不含)60-70(不含)0.5-0.6(不含)C 55-60(不含)50-60(不含)0.4-0.5(不含)D 50-55(不含)40-50(不含)0.3-0.4(不含)E 50以下 40以下 0.3以下,27,結論與未來研究方向,其他結論 由各模型區別正確率變化情形彙整表得知,當靜態資料與動態資料同時運用,區別正確率會提高1%至4%左右(當依變數為Y4時例外);此現象,可做為業者運用市場區隔變數進行區別分析時的參考。,28,結論與未來研究方向,未來研究方向1.本研究的資料來源主要來自台北市東區某家壽險公司,所以實證結果並不一定適用於其它區域;未來可增加研究樣本,以擴大推論的範圍。2.該公司歷史資料的某些欄位不足，無法增加其他動態變數的相關分析,未來相關研究可增加一些動態變數,如購買地點、購買時機等，以擴大探討各類市場區隔變數的區別能力。3.本研究重點僅探討三組RFM模型的區別能力，後續研究可利用DM(資料挖掘)之決策樹分析，其結果可與區別分析結果加以比較。,
